扩散 Transformer

为什么不是 U-Net

经典图像扩散用卷积 U-Net。DiT（Peebles & Xie）把骨干换成补丁潜变量上的 Transformer 块。视频把补丁网格伸到时间维。Wan 走这条线（与 2024–2025 多数视频模型相同），注意力才能建模长程运动和运镜。

流匹配，不只是 ε 预测

官方代码使用流匹配 / 整流流风格求解器（UniPC、Flow DPM）。网络预测从噪声到数据的速度场，而不只是 ε。README 与 ComfyUI 模板里的步数默认这套调度。

条件怎么进网络

• 文本：UMT5-XXL 嵌入，每块交叉注意力。
• 图像（I2V/FLF2V）：CLIP-vision + VAE token，外加 MLP 投影（Wan2.1 的 FLF2V 还有 257×2 的首尾位置嵌入）。
• 音频（S2V）：独立注入路径（见官方 S2V 音频图）。
• 时间步 / SNR：AdaLN；在 A14B 上还决定当前激活哪位专家。

常见问题

Wan 是自回归视频 LLM 吗？

不是。它是潜变量网格上的迭代去噪器。时间轴是扩散时间，不是从左到右的词。

U-Net 在哪？

Wan2.2 里没有。ComfyUI 图里若出现 UNetLoader，只是加载器名字——权重仍是 DiT 块。